CN111820869A - 一种认知评估方法及装置 - Google Patents
一种认知评估方法及装置 Download PDFInfo
- Publication number
- CN111820869A CN111820869A CN201910328503.4A CN201910328503A CN111820869A CN 111820869 A CN111820869 A CN 111820869A CN 201910328503 A CN201910328503 A CN 201910328503A CN 111820869 A CN111820869 A CN 111820869A
- Authority
- CN
- China
- Prior art keywords
- finger
- cognitive
- original
- data
- machine learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 43
- 210000003811 finger Anatomy 0.000 claims abstract description 142
- 230000033001 locomotion Effects 0.000 claims abstract description 111
- 230000009471 action Effects 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000010801 machine learning Methods 0.000 claims abstract description 55
- 210000003813 thumb Anatomy 0.000 claims abstract description 20
- 210000005224 forefinger Anatomy 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims description 48
- 238000012360 testing method Methods 0.000 claims description 41
- 241000039077 Copula Species 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 19
- 230000006996 mental state Effects 0.000 claims description 15
- 210000004247 hand Anatomy 0.000 claims description 13
- 230000019771 cognition Effects 0.000 claims description 12
- 230000005057 finger movement Effects 0.000 claims description 12
- 208000010877 cognitive disease Diseases 0.000 claims description 11
- 230000003287 optical effect Effects 0.000 claims description 9
- 238000012031 short term test Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000003930 cognitive ability Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000012552 review Methods 0.000 description 5
- 230000003340 mental effect Effects 0.000 description 4
- 238000010079 rubber tapping Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000005674 electromagnetic induction Effects 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006998 cognitive state Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Neurology (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Evolutionary Computation (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种认知评估方法及装置，涉及数据处理技术领域，能够提高认知评估结果的准确性。该方法包括：训练机器学习预测模型；采集被评估者的扣指运动的数据；根据所述扣指运动的数据生成手指动作属性；利用所述手指动作属性作为所述机器学习预测模型的输入，运行所述机器学习预测模型，获得所述被评估者的认知评估分数值；其中，所述扣指运动为双手同时进行的拇指和食指相互之间的连续快速叩击动作，或者，所述扣指运动为单手的拇指和食指相互之间的连续快速叩击动作。利用本发明实施例可提高认知评估结果的准确性。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种认知评估方法及装置。
背景技术
随着世界人口老龄化的加剧，患有认知功能失常的老年人数量在增加。早期筛查和诊断对认知功能失常患者十分关键，可以使其尽早制定治疗照护计划，尽早干预病情，从而更好的管理疾病。
认知评估是认知功能失常筛查和诊断的主要手段之一。目前临床使用的认知评估方法有很多种，其中最为广泛使用的是简易精神状态量表(Mini Mental StateExamination，MMSE)。MMSE是一个总分为30分的认知测试，包含7组问题，可以度量精神状态的不同方面，临床使用需要耗时大约4-20分钟左右。
尽管MMSE等评估工具广受临床医生欢迎，但由于评估过程中存在较多的主观因素，因此，使得利用MMSE等工具获得的认知评估结果不准确。
发明内容
本发明实施例提供一种认知评估方法及装置，能够提高认知评估结果的准确性。
第一方面，本发明实施例提供了一种认知评估方法，包括：
训练机器学习预测模型；
采集被评估者的扣指运动的数据；
根据所述扣指运动的数据生成手指动作属性；
利用所述手指动作属性作为所述机器学习预测模型的输入，运行所述机器学习预测模型，获得所述被评估者的认知评估分数值；
其中，所述扣指运动为双手同时进行的拇指和食指相互之间的连续快速叩击动作，或者，所述扣指运动为单手的拇指和食指相互之间的连续快速叩击动作。
其中，所述训练机器学习预测模型，包括：
采集预定用户的原始扣指运动的数据，获取原始认知评估分数值；其中，所述预定用户包括第一数量的健康用户和第二数量的认知功能失常患者；
根据所述原始扣指运动的数据生成原始手指动作属性；
基于Copula熵(Copula Entropy)的特征选择技术，从所述原始手指动作属性和所述原始认知评估分数值的原始数据集中选择训练数据集，所述训练数据集中包括选择的目标原始手指动作属性和所述目标原始手指动作属性对应的目标原始认知评估分数值的组合；
利用所述训练数据集训练所述机器学习预测模型。
其中，所述采集被评估者的扣指运动的数据包括：
利用电磁传感器采集被评估者的扣指运动的数据；或者
利用光学视频传感器采集被评估者的扣指运动的数据。
其中，所述手指动作属性包括以下信息：
单手或双手分别的扣指次数、扣指频率、扣指平均时间间隔、扣指平均时间间隔的方差或标准差、双指接触时间的方差或标准差。
其中，所述认知评估分数值的类型包括以下任意一种：
MMSE、Mini-Cog(简易认知分量表)、MMSE修订版(Modified MMSE(3MS))、7分钟筛查(7-Minute Screen)、修订版的阿登布鲁克的认知测验(Addenbrooke’s CognitiveExamination-Revised)、画钟测试(Clock Drawing Test)、认知评估筛选测试(CognitiveAssessment Screening Test)、认知能力筛查工具(Cognitive Abilities ScreeningInstrument)、明尼苏达认知敏锐度筛查(Minnesota Cognitive Acuity Screen)、蒙彼利埃筛查(Montpellier Screen)、蒙特利尔认知评估量表(Montreal CognitiveAssessment)、心理状态短期测试(Short Test of Mental Status)。
第二方面，本发明实施例提供一种认知评估装置，包括：
训练模块，用于训练机器学习预测模型；
采集模块，用于采集被评估者的扣指运动的数据；
生成模块，用于根据所述扣指运动的数据生成手指动作属性；
处理模块，用于利用所述手指动作属性作为所述机器学习预测模型的输入，运行所述机器学习预测模型，获得所述被评估者的认知评估分数值；
其中，所述扣指运动为双手同时进行的拇指和食指相互之间的连续快速叩击动作，或者，所述扣指运动为单手的拇指和食指相互之间的连续快速叩击动作。
其中，所述训练模块包括：
采集子模块，用于采集预定用户的原始扣指运动的数据，获取原始认知评估分数值；其中，所述预定用户包括第一数量的健康用户和第二数量的认知功能失常患者；
生成子模块，用于根据所述原始扣指运动的数据生成原始手指动作属性；
选择子模块，用于基于Copula熵的特征选择技术，从所述原始手指动作属性和所述原始认知评估分数值的原始数据集中选择训练数据集，所述训练数据集中包括选择的目标原始手指动作属性和所述目标原始手指动作属性对应的目标原始认知评估分数值的组合；
训练子模块，用于利用所述训练数据集训练所述机器学习预测模型。
其中，所述采集模块具体用于，利用电磁传感器采集被评估者的扣指运动其中，所述手指动作属性包括以下信息：
单手或双手分别的扣指次数、扣指频率、扣指平均时间间隔、扣指平均时间间隔的方差或标准差、双指接触时间的方差或标准差。
其中，所述认知评估分数值的类型包括以下任意一种：
MMSE、Mini-Cog(简易认知分量表)、MMSE修订版(Modified MMSE(3MS))、7分钟筛查(7-Minute Screen)、修订版的阿登布鲁克的认知测验(Addenbrooke’s CognitiveExamination-Revised)、画钟测试(Clock Drawing Test)、认知评估筛选测试(CognitiveAssessment Screening Test)、认知能力筛查工具(Cognitive Abilities ScreeningInstrument)、明尼苏达认知敏锐度筛查(Minnesota Cognitive Acuity Screen)、蒙彼利埃筛查(Montpellier Screen)、蒙特利尔认知评估量表(Montreal CognitiveAssessment)、心理状态短期测试(Short Test of Mental Status)。
在本发明实施例中，采集被评估者的扣指运动的数据，并生成手指动作属性，然后，利用该手指动作属性作为机器学习预测模型的输入，从而获得机器学习预测模型的输出，也即认知评估分数值。在本发明实施例中，是利用机器学习预测模型来获得认知评估分数值，因此，在评估的过程中无需人为的参与，从而减少了主观因素对评估结果的影响。因此，利用本发明实施例可提高认知评估结果的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的认知评估方法的流程图之一；
图2是本发明实施例步骤101的流程图；
图3是本发明实施例提供的认知评估系统的示意图；
图4是本发明实施例提供的认知评估方法的流程图之二；
图5是本发明实施例提供的认知评估装置的结构图之一；
图6是本发明实施例提供的训练模块的结构图；
图7是本发明实施例提供的认知评估装置的结构图之二。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1是本发明实施例提供的认知评估方法的流程图。如图1所示，所述方法包括以下步骤：
步骤101、训练机器学习预测模型。
具体的，在本发明实施例中，参见图2，此步骤可包括：
步骤1011、采集预定用户的原始扣指运动的数据，获取原始认知评估分数值。
其中，所述预定用户包括第一数量的健康用户和第二数量的认知功能失常患者。所述第一数量和第二数量可根据需要设置。
在实际应用中，召集一组足够数量且具有代表性的健康人和认知功能失常患者的人群，并采集其扣指运动的数据，作为原始指扣运动数据，用于训练一个或多个机器学习预测模型。
其中，扣指运动为双手同时进行的拇指和食指相互之间的连续快速叩击动作。或者，扣指运动为单手的拇指和食指相互之间的连续快速叩击动作。
在本发明实施例中，可通过多种方式采集扣指运动的数据。例如，利用电磁传感器采集被评估者的扣指运动的数据；或者利用光学视频传感器采集被评估者的扣指运动的数据。
在实际应用中，在采集双手的扣指运动的数据时，每位被采集者的双手的拇指和食指佩戴电磁传感器，做一定时间(如15秒)的扣指动作。在采集单手的扣指运动的数据时，每位被采集者的一只手的拇指和食指佩戴电磁传感器，做一定时间(如15秒)的扣指动作。其中，扣指动作要求尽可能的快。根据被采集者的动作，得到扣指动作的原始数据。
对被采集者进行认知评估测试，同时获取其测试分数，作为原始认知评估分数值。在此的认知评估测试可采用任意一种测试方法，在此不做限定。
步骤1012、根据所述原始扣指运动的数据生成原始手指动作属性。
在采集的原始指扣运动数据的基础上生成单手或双手的各种手指动作属性，作为原始手指动作属性。
在本发明实施例中，若扣指运动为双手同时进行的拇指和食指相互之间的连续快速叩击动作，所述的手指动作属性，是指对在一定时间长度内的连续扣指动作进行测量而得到的双手运动的属性，包括但不限于双手分别的扣指次数、扣指频率、扣指平均时间间隔、扣指平均时间间隔的方差或标准差、双指接触时间的方差或标准差等。
在本发明实施例中，若扣指运动为单手的拇指和食指相互之间的连续快速叩击动作，所述的手指动作属性，是指对在一定时间长度内的连续扣指动作进行测量而得到的单手运动的属性，包括但不限于单手的扣指次数、扣指频率、扣指平均时间间隔、扣指平均时间间隔的方差或标准差、双指接触时间的方差或标准差等。
在本发明实施例中对生成手指动作属性的方式不做限定。例如，可利用计算机视觉的运动骨架分析技术，跟踪当被评估者的单手或双手在摄像头下进行扣指运动的数据时的关节运动，进而获得手指动作属性。
基于步骤1011和步骤1012获取的测试结果，在此，可将每位被采集者的手指动作属性和认知评估分数值配对，得到原始数据集。
步骤1013、基于Copula熵的特征选择技术，从所述原始手指动作属性和所述原始认知评估分数值的原始数据集中选择训练数据集，所述训练数据集中包括选择的目标原始手指动作属性和所述目标原始手指动作属性对应的目标原始认知评估分数值的组合。
Copula熵概念的定义借助于Copula理论。Copula理论是关于随机变量之间相关性的理论。通常的相关性是包含在随机变量的联合分布函数的参数之中，如高斯函数的相关矩阵就表示了高斯变量之间的相关性特征。Copula理论给出了一种表示所有随机变量之间相关性的理论框架。根据该理论，任一个联合分布都一个表示为以随机变量的边缘函数为自变量的某种函数的形式，此种函数就称为Copula函数。因此，Copula熵可以用来衡量任意类型的随机变量之间的全阶次相关性。
对于步骤1012中的原始数据集，计算每个手指动作属性和认知评估分数值之间的Copula熵值，来对手指动作属性的重要性进行排序。Copula熵值越高，则表示该手指动作属性越重要，对应的Copula熵值显著性高的手指动作属性可被选择作为目标原始手指动作属性，以作为机器学习预测模型的输入。那么，从备选训练数据集中也可获取目标原始手指动作属性所对应的认知评估分数值，即作为目标原始认知评估分数值。其中，Copula熵值的估计可以采用两步非参数法来完成，包括：步骤一，从数据估计经验Copula密度函数；步骤二，利用估计的经验Copula密度函数数据估计Copula熵。
那么，经过上述选择，可得到Copula熵值显著性高的手指动作属性和其对应的认知评估分数值，并作为训练数据集，用来训练一个或者多个机器学习预测模型。通过Copula熵的特征选择技术获得的训练数据集，可使得最终获得的认知评估测试结果更为准确，获得的机器学习预测模型更符合实际的需求，具有可解释性。
步骤1014、利用所述训练数据集训练所述机器学习预测模型。
利用训练数据集来训练一种或多种机器学习预测模型。在本发明实施例中，所述机器学习预测模型并不限定为某种特定的模型，包括但不限于为常见的机器学习回归模型，如线性回归、支持向量机、神经网络、高斯过程、随机森林、Bagging(套袋)和Boosting(提升)等，以及它们的集成(Ensemble)方式。在此，机器学习预测模型模型可以选择模型复杂度和预测能力较为平衡的模型，如支持向量机。
步骤102、采集被评估者的扣指运动的数据。
具体的，可在被评估者的手指上佩戴电磁传感器，通过电磁感应的方式感知被评估者的扣指运动的数据。还可以通过如2D或3D光学视频传感器，通过机器视觉技术来捕捉被评估者的扣指运动的数据。
在本发明实施例中，为进一步保证评估结果的准确性，可采集在某个时间长度内的被评估者的扣指运动的数据，该时间长度可以和训练机器学习预测模型时采集扣指运动的数据的时间长度相同。例如，可以为15秒等。
步骤103、根据所述扣指运动的数据生成手指动作属性。
在本发明实施例中对生成手指动作属性的方式不做限定。例如，可利用计算机视觉的运动骨架分析技术，跟踪当被评估者的单手或双手在摄像头下进行扣指运动的数据时的关节运动，进而获得手指动作属性。
步骤104、利用所述手指动作属性作为所述机器学习预测模型的输入，运行所述机器学习预测模型，获得所述被评估者的认知评估分数值。
本发明实施例中所述的认知评估分值的类型，可以包括但不限于为常见的认知评估分值的类型，如MMSE、Mini-Cog(简易认知分量表)、MMSE修订版(Modified MMSE(3MS))、7分钟筛查(7-Minute Screen)、修订版的阿登布鲁克的认知测验(Addenbrooke’sCognitive Examination-Revised)、画钟测试(Clock Drawing Test)、认知评估筛选测试(Cognitive Assessment Screening Test)、认知能力筛查工具(Cognitive AbilitiesScreening Instrument)、明尼苏达认知敏锐度筛查(Minnesota Cognitive AcuityScreen)、蒙彼利埃筛查(Montpellier Screen)、蒙特利尔认知评估量表(MontrealCognitive Assessment)、心理状态短期测试(Short Test of Mental Status)等。
在本发明实施例中，是利用机器学习预测模型来获得认知评估分数值，因此，在评估的过程中无需人为的参与，从而减少了主观因素对评估结果的影响。相比于传统的认知评估方法，本发明实施例的评估过程耗时更短。因此，利用本发明实施例可提高认知评估结果的准确性、便利性和可靠性。
参见图3，图3是本发明实施例的认知评估系统的示意图，包括：
扣指动作数据采集模块301，用于采集被评估者进行扣指动作时手指运动的原始数据。该模块在收集训练数据和应用本发明实施例的方法时被调用。采集扣指动作数据可以以多种方式实施，如在手指上佩戴电磁传感器，通过电磁感应的方式感知运动，也可以通过如2D或3D光学视频传感器，通过机器视觉技术来捕捉手指的运动，等等。
手指动作属性数据处理和存储模块302，用于处理扣指动作数据采集模块301产生的原始数据，进而生成手指动作属性数据，并将原始数据和生成的手指动作属性数据保存，以用于训练机器学习预测模型。
认知评估评分数据存储模块303，用于存储管理被评估者的认知评估分值。
手指动作属性数据处理和存储模块302和认知评估评分数据存储模块303组成数据处理和存储模块。
机器学习预测模型训练模块304，用于利用手指动作属性数据处理和存储模块302和认知评估评分数据存储模块303存储的数据，训练机器学习预测模型并保存训练好的模型。
本模块可实现一种或多种机器学习预测模型，如线性回归、支持向量机、神经网络、高斯过程、随机森林、Bagging和Boosting等，以及它们的集成(Ensemble)方式。本模块可实现Copula熵的估计功能，和基于Copula熵的特征选择功能。同时，本模块包含完整的从手指动作属性生成—特征选择—模型训练—模型保存的过程。
机器学习预测模型应用模块305，用于调用扣指动作数据采集模块301采集的被评估者的扣指动作原始数据，以及调用手指动作属性数据处理和存储模块302的数据处理功能，将此原始数据转化为手指动作属性数据，最后将转化的手指动作属性数据输入到机器学习预测模型训练模块304中保存的训练好的预测模型，输出认知评估分值。
参见图4，本发明实施例的认知评估方法包括：
步骤401、被评估者在医护人员的指导下，利用扣指动作数据采集设备采集被评估者的扣指动作信息。
步骤402、利用认知评估系统处理被评估者的扣指动作信息，输出被评估者的认知评估分值。
步骤403、医护人员根据系统输出的被评估者的认知评估分值，结合其他信息对被评估者的认知状态进行判断。
在此应用的实施过程中，扣指动作数据采集设备和应用流程的实现可以集成到同一计算设备中实现，也可分开布置，通过网络等数据传输设备相连，即数据采集在评估现场，应用流程在远端服务器实现，扣指动作数据通过网络传到远端服务器的应用流程实现系统。
参见图5，图5是本发明实施例提供的认知评估装置的结构图，如图5所示，认知评估装置50包括：
训练模块500，用于训练机器学习预测模型；采集模块501，用于采集被评估者的扣指运动的数据；生成模块502，用于根据所述扣指运动的数据生成手指动作属性；处理模块503，用于利用所述手指动作属性作为所述机器学习预测模型的输入，运行所述机器学习预测模型，获得所述被评估者的认知评估分数值；其中，所述扣指运动为双手同时进行的拇指和食指相互之间的连续快速叩击动作，或者，所述扣指运动为单手的拇指和食指相互之间的连续快速叩击动作。
可选的，所述采集模块501具体用于，利用电磁传感器采集被评估者的扣指运动的数据；或者利用光学视频传感器采集被评估者的扣指运动的数据。
可选的，所述手指动作属性包括以下信息：
单手或者双手分别的扣指次数、扣指频率、扣指平均时间间隔、扣指平均时间间隔的方差或标准差、双指接触时间的方差或标准差等。
如图6所示，所述训练模块500可包括：
采集子模块5001，用于采集预定用户的原始扣指运动的数据，获取原始认知评估分数值，其中，所述预定用户包括第一数量的健康用户和第二数量的认知功能失常患者；生成子模块5002，用于根据所述原始扣指运动的数据生成原始手指动作属性；选择子模块5003，用于基于Copula熵的特征选择技术，从所述原始手指动作属性和所述原始认知评估分数值的原始数据集中选择训练数据集，所述训练数据集中包括选择的目标原始手指动作属性和所述目标原始手指动作属性对应的目标原始认知评估分数值；训练子模块5004，用于利用所述训练数据集训练所述机器学习预测模型。
其中，在本发明实施例中，所述机器学习预测模型并不限定为某种特定的模型，包括但不限于为常见的机器学习预测模型，如线性回归、支持向量机、神经网络、高斯过程、随机森林、Bagging(套袋)和Boosting(提升)等，以及它们的集成(Ensemble)方式。
其中，所述认知评估分数值的类型包括以下任意一种：
MMSE、Mini-Cog(简易认知分量表)、MMSE修订版(Modified MMSE(3MS))、7分钟筛查(7-Minute Screen)、修订版的阿登布鲁克的认知测验(Addenbrooke’s CognitiveExamination-Revised)、画钟测试(Clock Drawing Test)、认知评估筛选测试(CognitiveAssessment Screening Test)、认知能力筛查工具(Cognitive Abilities ScreeningInstrument)、明尼苏达认知敏锐度筛查(Minnesota Cognitive Acuity Screen)、蒙彼利埃筛查(Montpellier Screen)、蒙特利尔认知评估量表(Montreal CognitiveAssessment)、心理状态短期测试(Short Test of Mental Status)。
本发明实施例装置的工作原理可参照前述方法实施例的描述。
在本发明实施例中，是利用机器学习预测模型来获得认知评估分数值，因此，在评估的过程中无需人为的参与，从而减少了主观因素对评估结果的影响。因此，利用本发明实施例可提高认知评估结果的准确性、便利性和可靠性。
参见图7所示，为本发明实施例的认知评估装置的示意图，包括：处理器701、网络接口702、存储器703、用户接口704和总线接口，其中：
在本发明实施例中，认知评估装置700还包括：存储在存储器上703并可在处理器701上运行的计算机程序，所述计算机程序被处理器701执行时实现如下步骤：
训练机器学习预测模型；
采集被评估者的扣指运动的数据；
根据所述扣指运动的数据生成手指动作属性；
利用所述手指动作属性作为所述机器学习预测模型的输入，运行所述机器学习预测模型，获得所述被评估者的认知评估分数值；
其中，所述扣指运动为双手同时进行的拇指和食指相互之间的连续快速叩击动作，或者，所述扣指运动为单手的拇指和食指相互之间的连续快速叩击动作。
在图7中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器701代表的一个或多个处理器和存储器703代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。网络接口702可以是有线或无线网卡设备，实现数据在网络上的收发功能。针对不同的用户设备，用户接口704还可以是能够外接内接需要设备的接口，连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器701负责管理总线架构和通常的处理，存储器703可以存储处理器701在执行操作时所使用的数据。
可选的，所述计算机程序被处理器703执行时还可实现如下步骤：
采集预定用户的原始扣指运动的数据，获取原始认知评估分数值；其中，所述预定用户包括第一数量的健康用户和第二数量的认知功能失常患者；
根据所述原始扣指运动的数据生成原始手指动作属性；
基于Copula熵的特征选择技术，从所述原始手指动作属性和所述原始认知评估分数值的原始数据集中选择训练数据集，所述训练数据集中包括选择的目标原始手指动作属性和所述目标原始手指动作属性对应的目标原始认知评估分数值的组合；
利用所述训练数据集训练所述机器学习预测模型。
可选的，所述计算机程序被处理器703执行时还可实现如下步骤：
利用电磁传感器采集被评估者的扣指运动的数据；或者
利用光学视频传感器采集被评估者的扣指运动的数据。
其中，所述手指动作属性包括以下信息：
单手或者双手分别的扣指次数、扣指频率、扣指平均时间间隔、扣指平均时间间隔的方差或标准差、双指接触时间的方差或标准差。
其中，所述认知评估分数值的类型包括以下任意一种：
MMSE、Mini-Cog(简易认知分量表)、MMSE修订版(Modified MMSE(3MS))、7分钟筛查(7-Minute Screen)、修订版的阿登布鲁克的认知测验(Addenbrooke’s CognitiveExamination-Revised)、画钟测试(Clock Drawing Test)、认知评估筛选测试(CognitiveAssessment Screening Test)、认知能力筛查工具(Cognitive Abilities ScreeningInstrument)、明尼苏达认知敏锐度筛查(Minnesota Cognitive Acuity Screen)、蒙彼利埃筛查(Montpellier Screen)、蒙特利尔认知评估量表(Montreal CognitiveAssessment)、心理状态短期测试(Short Test of Mental Status)。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一个方法实施例中的认知评估方法中的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述收发方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种认知评估方法，其特征在于，包括：
训练机器学习预测模型；
采集被评估者的扣指运动的数据；
根据所述扣指运动的数据生成手指动作属性；
利用所述手指动作属性作为所述机器学习预测模型的输入，运行所述机器学习预测模型，获得所述被评估者的认知评估分数值；
其中，所述扣指运动为双手同时进行的拇指和食指相互之间的连续快速叩击动作，或者，所述扣指运动为单手的拇指和食指相互之间的连续快速叩击动作。
2.根据权利要求1所述的方法，其特征在于，所述训练机器学习预测模型，包括：
采集预定用户的原始扣指运动的数据，获取原始认知评估分数值；其中，所述预定用户包括第一数量的健康用户和第二数量的认知功能失常患者；
根据所述原始扣指运动的数据生成原始手指动作属性；
基于Copula熵的特征选择技术，从所述原始手指动作属性和所述原始认知评估分数值的原始数据集中选择训练数据集，所述训练数据集中包括选择的目标原始手指动作属性和所述目标原始手指动作属性对应的目标原始认知评估分数值的组合；
利用所述训练数据集训练所述机器学习预测模型。
3.根据权利要求1所述的方法，其特征在于，所述采集被评估者的扣指运动的数据包括：
利用电磁传感器采集被评估者的扣指运动的数据；或者
利用光学视频传感器采集被评估者的扣指运动的数据。
4.根据权利要求1所述的方法，其特征在于，所述手指动作属性包括以下信息：
单手或者双手分别的扣指次数、扣指频率、扣指平均时间间隔、扣指平均时间间隔的方差或标准差、双指接触时间的方差或标准差。
5.根据权利要求1所述的方法，其特征在于，所述认知评估分数值的类型包括以下任意一种：
简易精神状态量表MMSE、简易认知分量表Mini-Cog、修订版MMSE、7分钟筛查、修订版的阿登布鲁克的认知测验、画钟测试、认知评估筛选测试、认知能力筛查工具、明尼苏达认知敏锐度筛查、蒙彼利埃筛查、蒙特利尔认知评估量表、心理状态短期测试。
6.一种认知评估装置，其特征在于，包括：
训练模块，用于训练机器学习预测模型；
采集模块，用于采集被评估者的扣指运动的数据；
生成模块，用于根据所述扣指运动的数据生成手指动作属性；
处理模块，用于利用所述手指动作属性作为所述机器学习预测模型的输入，运行所述机器学习预测模型，获得所述被评估者的认知评估分数值；
其中，所述扣指运动为双手同时进行的拇指和食指相互之间的连续快速叩击动作，或者，所述扣指运动为单手的拇指和食指相互之间的连续快速叩击动作。
7.根据权利要求6所述的装置，其特征在于，所述训练模块包括：
采集子模块，用于采集预定用户的原始扣指运动的数据，获取原始认知评估分数值；其中，所述预定用户包括第一数量的健康用户和第二数量的认知功能失常患者；
生成子模块，用于根据所述原始扣指运动的数据生成原始手指动作属性；
选择子模块，用于基于Copula熵的特征选择技术，从所述原始手指动作属性和所述原始认知评估分数值的原始数据集中选择训练数据集，所述训练数据集中包括选择的目标原始手指动作属性和所述目标原始手指动作属性对应的目标原始认知评估分数值的组合；
训练子模块，用于利用所述训练数据集训练所述机器学习预测模型。
8.根据权利要求6所述的装置，其特征在于，所述采集模块具体用于，利用电磁传感器采集被评估者的扣指运动的数据；或者利用光学视频传感器采集被评估者的扣指运动的数据。
9.根据权利要求6所述的装置，其特征在于，所述手指动作属性包括以下信息：
单手或者双手分别的扣指次数、扣指频率、扣指平均时间间隔、扣指平均时间间隔的方差或标准差、双指接触时间的方差或标准差。
10.根据权利要求6所述的装置，其特征在于，所述认知评估分数值的类型包括以下任意一种：
简易精神状态量表MMSE、简易认知分量表Mini-Cog、修订版MMSE、7分钟筛查、修订版的阿登布鲁克认知测验、画钟测试、认知评估筛选测试、认知能力筛查工具、明尼苏达认知敏锐度筛查、蒙彼利埃筛查、蒙特利尔认知评估量表、心理状态短期测试。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910328503.4A CN111820869A (zh) | 2019-04-23 | 2019-04-23 | 一种认知评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910328503.4A CN111820869A (zh) | 2019-04-23 | 2019-04-23 | 一种认知评估方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111820869A true CN111820869A (zh) | 2020-10-27 |
Family
ID=72911451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910328503.4A Pending CN111820869A (zh) | 2019-04-23 | 2019-04-23 | 一种认知评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111820869A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114420294A (zh) * | 2022-03-24 | 2022-04-29 | 北京无疆脑智科技有限公司 | 心理发展水平评估方法、装置、设备、存储介质和系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130197875A1 (en) * | 2012-01-27 | 2013-08-01 | Carvin Glenn Shirley | Copula-based system and method for management of manufacturing test and product specification throughout the product lifecycle for electronic systems or integrated circuits |
| US20170017882A1 (en) * | 2015-07-13 | 2017-01-19 | Fujitsu Limited | Copula-theory based feature selection |
| CN106599558A (zh) * | 2016-12-05 | 2017-04-26 | 武汉智普天创科技有限公司 | 一种基于虚拟现实的认知评估方法及系统 |
| CN107704426A (zh) * | 2017-08-25 | 2018-02-16 | 南京邮电大学 | 基于扩展小波神经网络模型的水位预测方法 |
| CN109152556A (zh) * | 2016-06-06 | 2019-01-04 | 麦克赛尔株式会社 | 手指运动练习菜单生成系统、方法和程序 |
| CN109480864A (zh) * | 2018-10-26 | 2019-03-19 | 首都医科大学附属北京安定医院 | 一种基于神经认知功能与机器学习的精神分裂症自动评估系统 |
| CN109497999A (zh) * | 2018-12-20 | 2019-03-22 | 杭州电子科技大学 | 基于Copula-GC的脑肌电信号时频耦合分析方法 |
-
2019
- 2019-04-23 CN CN201910328503.4A patent/CN111820869A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130197875A1 (en) * | 2012-01-27 | 2013-08-01 | Carvin Glenn Shirley | Copula-based system and method for management of manufacturing test and product specification throughout the product lifecycle for electronic systems or integrated circuits |
| US20170017882A1 (en) * | 2015-07-13 | 2017-01-19 | Fujitsu Limited | Copula-theory based feature selection |
| CN109152556A (zh) * | 2016-06-06 | 2019-01-04 | 麦克赛尔株式会社 | 手指运动练习菜单生成系统、方法和程序 |
| CN106599558A (zh) * | 2016-12-05 | 2017-04-26 | 武汉智普天创科技有限公司 | 一种基于虚拟现实的认知评估方法及系统 |
| CN107704426A (zh) * | 2017-08-25 | 2018-02-16 | 南京邮电大学 | 基于扩展小波神经网络模型的水位预测方法 |
| CN109480864A (zh) * | 2018-10-26 | 2019-03-19 | 首都医科大学附属北京安定医院 | 一种基于神经认知功能与机器学习的精神分裂症自动评估系统 |
| CN109497999A (zh) * | 2018-12-20 | 2019-03-22 | 杭州电子科技大学 | 基于Copula-GC的脑肌电信号时频耦合分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张海坤、张海鹏: "基于Copula熵一BP神经网络的大坝位移预测", 《山东水利》, pages 125 - 38 * |
| 陈璐等: "基于Copula熵的神经网络径流预报模型预报因子选择", 基于COPULA熵的神经网络径流预报模型预报因子选择, pages 26 - 29 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114420294A (zh) * | 2022-03-24 | 2022-04-29 | 北京无疆脑智科技有限公司 | 心理发展水平评估方法、装置、设备、存储介质和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Avola et al. | An interactive and low-cost full body rehabilitation framework based on 3D immersive serious games | |
| Škola et al. | Embodied VR environment facilitates motor imagery brain–computer interface training | |
| Simbaña et al. | Review of automated systems for upper limbs functional assessment in neurorehabilitation | |
| Bleser et al. | A personalized exercise trainer for the elderly | |
| EP3562398A2 (en) | Emotion estimation apparatus, method, and program | |
| JP7070252B2 (ja) | パフォーマンス計測装置、パフォーマンス計測方法及びパフォーマンス計測プログラム | |
| Wu et al. | Incorporating motion analysis technology into modular arrangement of predetermined time standard (MODAPTS) | |
| JP7070253B2 (ja) | パフォーマンス計測装置、パフォーマンス計測方法及びパフォーマンス計測プログラム | |
| Rahman | Multimedia environment toward analyzing and visualizing live kinematic data for children with hemiplegia | |
| Shafti et al. | Playing the piano with a robotic third thumb: assessing constraints of human augmentation | |
| Zhang et al. | Wearable sensors based automatic box and block test system | |
| CN113869090A (zh) | 一种跌倒风险评估方法及装置 | |
| Salehi et al. | Cybersickness Detection through Head Movement Patterns: A Promising Approach | |
| CN111820869A (zh) | 一种认知评估方法及装置 | |
| Minge et al. | BeMobil: Developing a user-friendly and motivating telerehabilitation system for motor relearning after stroke | |
| Masullo et al. | CaloriNet: From silhouettes to calorie estimation in private environments | |
| Dimbwadyo-Terrer et al. | Activities of daily living assessment in spinal cord injury using the virtual reality system Toyra®: functional and kinematic correlations | |
| Rahman | i-Therapy: a non-invasive multimedia authoring framework for context-aware therapy design | |
| Ekiz et al. | Long short-term memory network based unobtrusive workload monitoring with consumer grade smartwatches | |
| CN112120703A (zh) | 一种跌倒风险评估方法及装置 | |
| Bacchini et al. | Emopad: An affective gamepad | |
| Kandee et al. | Development of Virtual Pulse Simulation for Pulse Diagnosis Studies. | |
| JP2022003426A (ja) | 情報処理装置、情報処理方法及びプログラム | |
| WO2023171162A1 (ja) | 心理状態推定装置および心理状態推定方法 | |
| Wu et al. | Exploring, walking, and interacting in virtual reality with simulated low vision: a living contextual dataset |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |